图是一个灰度图像。
Camshift追踪步骤二：运行meanshift算法 算法过程为：
（1）在颜色概率分布图中选取搜索窗W。
（2）计算零阶距：计算一阶距， 计算搜索窗的质心。 （3）调整搜索窗大小。
（4）移动搜索窗的中心到质心，如果移动距离大于预设的固定阈值，则重复（2）（3）（4），直到搜索窗的中心与质心间的移动距离小于预设的固定阈值，或者循环运算的次数达到某一最大值，停止计算。
Camshift追踪步骤三：运行Camshift算法
将meanshift算法扩展到连续图像序列，就是camshift算法。它将视频的所有帧做meanshift运算，并将上一帧的结果，即搜索窗的大小和中心，作为下一帧meanshift算法搜索窗的初始值。
如此迭代下去，就可以实现对目标的跟踪。算法过程为：
(1)。初始化搜索窗
? (2)。计算搜索窗的颜色概率分布（反向投影）
? (3)。运行meanshift算法，获得搜索窗新的大小和位置。
? (4)。在下一帧视频图像中用(3)中的值重新初始化搜索窗的大小和位置，再跳转到(2)继续进行。
结论
本文回顾了Mean Shift的发展历史，介绍了它的基本思想，给出了具体的算法步骤，详细证明了它与梯度上升搜索法的联系，最后给出了Mean Shift在实时物体跟踪中的具体应用，显示Mean Shift强大的生命力。同时也介绍了Mean Shift的改进算法Cam Shift算法的原理同时也给出了算法在追踪过程的处理步骤。
参考文献
[1]The Estimation of the Gradient of a Density Function， with Applications in Pattern Recognition (1975)
[2]Mean shift， mode seeking， and clustering (1995)
[3]Mean Shift: a robust approach toward feature space analysis (2002) [4]Real-time tracking of non-rigid objects using mean shift (2000) [5]Mean-shift Blob Tracking through Scale Space (2003) [6]An algorithm for data-driven bandwidth selection(2003)